基于HSV空间的禁令交通标志检测方法研究

【摘 要】提出了一种基于HSV彩色空间的禁令交通标志检测方法，利用禁令交通标志的背景均为红色这一特性，通过统计分析计算出红色的H阈值进行颜色的分割，再利用相关满足条件筛去不符合交通标志的区域，将真正禁令标志所在的区域检测出来，便于进行下一步识别。实验表明该方法是尺度恒定的，能够在复杂的交通场景中进行可靠的禁令交通标志检测。

【关键词】HSV彩色空间；禁令交通标志；颜色分割；区域检测

Research on ban traffic sign detection method based on HSV Space

HE Xiao-jun LIU Huan

（School of Information Science and Engineering， Shenyang Ligong University， Shenyang Liaoning 110159， China）

【Abstract】Proposed ban traffic sign detection method based on HSV color space， the use of the ban traffic signs are red background of this feature， through statistical analysis to calculate H threshold red color segmentation， re-use is not related to the condition screen region in line with traffic signs， prohibition signs the zone where the real detected， the next step for easy identification. Experiments show that the method is a constant scale， can be reliably detected ban traffic signs in complex traffic scenarios.

【Key words】HSV color space；Ban traffic sign；Color segmentation；Area detection

0 引言

交通标志识别是应用计算机视觉研究，且重点是交通场景图像方面的自动检测和识别的一个新型研究领域。近年来，交通标志识别在道路维护、驾驶员支持系统以及自动无人驾驶汽车等方面吸引了越来越多研究人员的关注[1]。

国外在交通标志识别方面起步较早，在20世纪90年代，美国的 Kehtarnavaz等人[2]就通过提取交通标志在HSV彩色空间中的颜色特征和形状特征完成了对交通标志的检测，他们当时已经完成了STOP 禁令标志检测系统的研发。Bascon 等人[3]通过使用提取交通标志牌的形状特征的方法，基本完成了能够检测几种比较常见的交通标志牌的检测算法，但是由于这个算法处理时间比较长（单帧的处理时间已经超过1.5秒），因此不能满足实时处理的要求。德国的 Hoferlin B等人[4]利用霍夫变换和尺度不变特征变换（Scale-invariant feature transform， SIFT），实现了针对圆形交通标志的检测算法，而且该算法具有比较高的检测率。Piccioli等人[5]通过提取交通标志的几何特征信息，接着利用相似性度量函数（Similarity Measuring Function， SMF）对将要检测的图像区域进行相似性度量，从而实现了交通标志的检测。

在国内，虽然开展相应的交通标志检测的研究相对较晚，但是目前也有了一些令人欣喜的成果。郁梅等人[6]通过利用交通标志的颜色特征，对交通标志进行了比较快速的检测和识别，他们主要利用颜色特征增强、聚类分析、形态学操作等几个步骤，最终实现了视频图像中对交通标志进行定位这一功能的算法。谷明琴等人[7]提出了一种综合形状标记图和Gabor波的交通标志检测识别方法。该方法先是在RGB彩色空间下对候选的交通标志区域进行分割，接着使用形态学运算消除噪声，然后利用欧式距离对疑似交通标志区域的标记图进行粗分割，然后对候选交通标志区域的Gabor小波图像进行特征提取，实现了对交通标志的检测和定位。

由于户外环境的变化性和不确定性，交通标志检测成为了一项颇有难度的工作，主要面临高校科技高校科技着以下几个问题：（1）具有相近特征（颜色和形状等） 的非交通标志物体对真实交通标志牌的干扰；（2）不能人为控制的光照对交通标志牌的颜色和可见度的影响；（3）交通标志在图像中会有平移、旋转和尺度等的变化，这会增加检测识别的难度；（4）有时会有多个交通标志聚集在一起，这会使得对它们各自的检测与识别变得愈发困难；（5）交通标志牌的某些部分被遮挡以及交通标志牌本身信息的丢失会导致在检测识别上的模糊性。

交通标志检测是交通标志识别系统的一个重要组成部分。本文提出一种基于HSV彩色空间的交通标志检测方法。在HSV空间里进行颜色分割，分割的阈值由统计计算得出，然后将分割出的区域进行填充膨胀，并标记下一系列特征，然后通过计算这些特征满足的条件与否，进行候选区域的筛选。最后在从原图中把交通标志的区域裁剪下来，完成检测。实验结果表明，本方法是尺度恒定的，能够在复杂的交通场景中进行可靠的交通标志检测，方法简单有效。

1 图像增强

一幅交通标志图像既包含感兴趣的有价值信息，也包含大量的无用信息，在对交通标志进行检测前，需要使用某些技术手段尽量减少那些无用信息，增强与复原高价值信息，为接下来的交通标志检测提供高质量的输入图片，使得交通标志的定位分割、特征提取的复杂度和难度也大为减少，从而有效地提升系统的准确率和处理速度，由此可见，图像增强是交通标志检测过程中的一个重要环节。

直方图均衡化是一种广泛使用的图像增强方法，可以有效的增强模糊图像的细节，提高图像的对比度。基于以下原理[8-9]：图像灰度级为[0，L-1]范围的数字图像的直方图是离散函数h（rk）=nk，其中rk是第k级灰度，nk是图像中灰度级为rk的像素个数，经常用图像中像素的总数n来除以它的每个灰度级的个数。得到归一化的直方图。如下式：

P（rk）=nk/n，k=0，1，…L-1

由上式可以看出：P（rk）给出了灰度级rk发生的概率估计值。且：

■P（rk）=1，k=0，1，…L-1

直方图操作能有效地用于图像增强，图像压缩与分割，而且直方图在软件中易于计算，使用电子芯片实现起来比较简单，因此在实时图像处理中是一个很有用的工具。

2 HSV彩色空间

交通标志的特定颜色为司机提供了重要的信息。颜色分割能够很好地减少待处理信息的总量，把交通标志所在的区域提取出来[10]。

数字摄像机输出的原始图像采用RGB彩色空间的表示方式，必须转化到能够更好地控制光照变化的色彩空间。由于与人类视觉一致并且可分离彩色和非彩色， HSV（Hue， Saturation， Value）彩色空间被用来描述交通场景图片里的颜色信息。其中色调的范围在0到360度之间， 饱和度和强度都在0和1之间。

图像需要从RGB彩色空间转换到HSV彩色空间，转换公式为：令MAX为R、G、B三个分量的最大值，MIN为三个分量的最小值，

若MAX=MIN，则：

H=0

S=0

V=MAX/255

若MAX≠MIN

当G≥B时

H=（Max-R+G-Min+B-Min）/

（Max-Min）×60

S=1-MIN/MAX

V=MAX/255

当G

H=360-（Max-R+G-Min+B-Min）/

（Max-Min）×60

S=1-MIN/MAX

V=MAX/255

3 禁令交通标志检测

由于在颜色分割过程中色调 Hue 起着核心作用，因为它对于光照变化，阴影，强光以及其他存在饱和度变化的场合具有很高的稳定性。所以令S和V分量都为1，输出各个像素点的H值，H值归一化为0～1的数。以红色禁令标志为例，通过对大量图像的统计与计算，算出红色的H阈值为0.0277～0.032。利用颜色阀值将红色对象都显示为白色，其余都为黑色，至此完成图像的二值化。然后对图像进行形态学闭操作，填补空洞。然后将二值图像膨胀化，再对图像进行填充，把内部空洞填满。对连通对象的各个分离部分进行标注，这里采用的是8连通。然后对标注区域的一系列属性进行测量，本文采用3个特征，依次为图像各个区域中像素总个数，每个区域的质心（重心），包含相应区域的最小矩形。然后根据各填充块的面积，找出其中最大的3个填充块存储下来。

以其中的一个填充块为例，M是区域外接最小矩形的长和宽的最小值，X是区域重心的横坐标，Y是重心的纵坐标，H和L分别是原始图像像素的行数和列数，T是刚才进行标注前的二值图的名字，A是该区域的像素总个数，作为交通标志候选区域，必须满足以下五组条件：

（1） （X+ M/4）

（Y+ M/6）

T（Y+ M/6， X+ M/4）==1

（2） （X- M/4）>0

（Y- M/6）>0

T（Y- M/6， X- M/4）==1

（3） （Y+ M/6）

（X- M/4）>0

T（Y+ M/6， X- M/4）==1

（4） （Y- M/6）>0

（X+ M/4）

T（Y- M/6， X+ M/4）==1

（5） A/（H*L）>0.01

通过以上条件，就确定了最多3个标志区域，然后就是根据每个区域的对应矩形的左上角那个像素的横纵坐标，以及矩形的长和宽，在原图中进行裁剪。裁剪下来的图像即为定位后检测出的交通标志图像。

4 实验结果与分析

图1 原始彩色图像

本文是在操作系统为Windows 8，CPU为Intel酷睿i7，系统内存为8 GB 的普通计算机上实现的。使用的软件是Matlab2012。选取的图像来源于网上的图片。为了方便，程序事先把所有图都调整为592*748的图像。图1是原始图像，图2是颜色分割后仅显示红色区域的二值图像，图3是进行形态学闭操作后的图像，图4是填充后的图像，图5是筛选后留下的交通标志区域，图6是最后检测定位出的交通标志。

图2 仅显示红色区域的二值图像

图3 闭操作后的图像

图4 填充后的图像

图5 筛选后留下的交通标志区域

图6 定位后裁剪下的禁令交通标志

本文方法的评估是以检测出交通标志的检出率来说明的。交通标志的检出率定义为用本方法定位出交通标志的图像数目与总的图像数目之比。经过统计，此方法基本可以实现对禁令交通标志的检测，检出率也基本平均在90%以上，而且由于方法较为简单迅速，在实时性上有很好的保证。但是那些没有正确检出的图像大多是因为图像清晰度不高，背景过于复杂或者有和交通标志颜色相似的物体，光照太强或太弱，以及标志遮挡等等原因，这些原因都会造成检出率的降低。

5 结语（下转第211页）

（上接第152页）交通标志的检测对于交通标志识别系统来说是极为重要的一个步骤，标志的检测速度以及检出率直接影响到后面识别的难易程度以及整个识别系统的优劣，本文着重研究了禁令交通标志的检测系统，利用基于HSV彩色空间的颜色分割，以及提取候选区域的一系列特征，通过计算特征完成对交通标志区域的筛选，最终得以定位。由于检测算法运算量小，所以速度很快，实时性很好，但是考虑到背景较为负责，标志遮挡以及光照强度等等的问题，本方法在交通标志的检出率上还有待提高。

【参考文献】

[1]De La Escalera， A.Armingol， J.M.Mata， M. Traffic sign recognition and analysis for intelligent vehicles[J]. Image Vision Computing， 2003，21：247-258.

[2]Kehtarnavaz， N.Ahmad， A.Traffic sign recognition in noisy outdoor scenes[J]. Intelligent Vehicles '95 Symposium，1995：460-465.

[3]Mal donado Bascon S， Lafuente Arroyo S， Gil-Jimenes P. Road sign deteetion and recognition based on Support Vector Machines[J].IEEE Transaction on Intelligent Transportation Systems，2007，8（2）：264-278.

[4]Hoferlin B， Zitnmermann K. Towards reliable traffic sign recognition[C].In： 2009 IEEE Intelligent Vehicles SymPosium，2009，pp.324-329.

[5]G.Piccioli， E.D.Michel， P.Parodi， and M.Campani. Robust method for road sign detection and recognition [J]. Image and Vision Computing，1996，14（3）：119-129.

[6]郁梅，郁伯康.基于彩色图像的指示标志检测[J].计算机工程与应用，2000，36（4）：166-168.

[7]谷明琴，蔡自兴，何芬芬.形状标记图和Gabor小波的交通标志识别[J].智能系统学报，2011，6：526- 530.

[8]冈萨雷斯，等，著.阮秋琦等译，数字图像处理[M].2版.北京：电子工业出版社，2007.

[9]冈萨雷斯.数字图像处理（MATLAB版）[M].北京：电子工业出版社，2005.

[10]许少秋.户外交通标志检测和形状识别[J].中国图象图形学报，2009，4：707-711.